P. 1
Sebaran Peubah acak

Sebaran Peubah acak

|Views: 499|Likes:
Dipublikasikan oleh tustus

More info:

Published by: tustus on Oct 22, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

10/25/2013

pdf

text

original

PELUANG & PEUBAH ACAK

Ruang Contoh (Sample Space)
Definisi Himpunan semua kemungkinan hasil suatu percobaan (S)
Contoh RC Pelemparan mata uang : S = {A , G} RC Pelemparan dadu : S = {1,2,3,4,5,6} RC Berat badan : S = {Berat,Sedang,Ringan}

Diagram Pohon
Mata Uang dilempar 3 kali Lemparan I Lemparan II lemparan III
A A A G A G A G G A G

Titik Contoh
AAA AAG AGA AGG GAA GAG GGA GGG

G

A G

Kejadian
Himpunan bagian dari ruang contoh

Kejadian sederhana

Kejadian Majemuk

hanya terdiri dari satu titik contoh

gabungan beberapa kejadian sederhana

Mencacah Titik Contoh
‡ Kaidah penggandaan n1 n2 n3 « nk ‡ Permutasi suatu susunan yang dibentuk oleh semua atau sebagian dari sekumpulan benda ‡ Kombinasi pengambilan r benda dari n benda tanpa memperhatikan urutan
¨n¸ n! C !© ¹! © r ¹ r !( n  r ) ! ª º
n r

n! n Pr ! (n  r ) !

Peluang suatu kejadian
Suatu percobaan mempunyai N hasil percobaan yang berbeda & masing-masing memiliki kemungkinan sama untuk muncul. Jika tepat n di antara hasil tersebut menyusun kejadian A, maka peluang kejadian A adalah

n P ( A) ! N

Aksioma Peluang
‡ ‡ ‡ ‡ P(S) = 1 P(Ø) = 0 0 ” P(A) ” 1 P(A) = 1 ± P(A)

Peubah Acak

Suatu fungsi yang memiliki nilai real dan ditentukan oleh setiap elemen dalam ruang contoh

Contoh
‡ Percobaan : 2 bola diambil secara berurutan dari 1 kantong berisi 4 bola merah dan 3 bola putih. ‡ Hasil-hasil percobaan yang mungkin merupakan elemen Ruang Contoh ‡ Peubah acak Y menyatakan banyaknya merah yang terambil ‡ Peubah acak X menyatakan banyaknya putih yang terambil

Ruang Contoh MM MP PM PP

y 2 1 1 0

x 0 1 1 2

Ruang Contoh

RC. Diskret 

RC. Kontinyu 

Jumlah titik contoh berhingga  Nilai dinyatakan dalam bilangan cacah

Banyak titik contoh tak berhingga  Nilai dinyatakan dalam bilangan riil

Sebaran peluang
Misal, peluang suatu peubah acak dinyatakan sebagai fungsi nilai-nilai x yaitu : P(X = x) = f(x) maka himpunan semua pasangan berurutan [x , f(x)] disebut fungsi peluang atau sebaran peluang bagi peubah acak X.

Sebaran Peluang Diskret
‡ Suatu table atau rumus yang mencantumkan semua kemungkinan nilai suatu peubah acak diskret dan peluangnya ‡ Contoh : Menentukan sebaran peluang banyaknya sisi gambar bila sebuah uang logam dilemparkan 4 kali Ruang contoh mengandung 24 = 16 titik contoh x sisi gambar dan 4-x sisi angka dapat terjadi dalam cara, dimana x = 0, 1, 2, 3, 4 Fungsi peluang

Histogram peluang

f (x)

6/16

4/16

1/16

x 0 1 2 3 4

SEBARAN PELUANG KONTINU
‡ Peubah acak kontinu berpeluang nol untuk mengambil tepat salah satu nilainya ‡ sebaran peluang tidak dapat diberikan dalam bentuk tabel ‡ peluang dinyatakan dari berbagai selang peubah acak kontinu, misal : P( a < X < b) ‡ Fungsi peluang digambarkan oleh kurva biasanya disebut fungsi kepekatan peluang.

Beberapa bentuk fungsi kepekatan peluang
f(x) f(x)

x (a) (b)

x

f(x)

f(x)

x (c) (d)

x

Contoh
Peubah acak kontinu X yang memiliki nilai antara x = 2 dan x = 4 mempunyai fungsi kepekatan peluang x 1
f (x) ! 8

a. Buktikan bahwa P(2 < X < 4) = 1 b. Tentukan P(X < 3,5) c. Tentukan P(2,4 < X < 3,5)

Kurva Sebaran Peluang PA X
luas !
f x) 8 8 8

( jumlah sisi sejajar ) x alas 2 ?f ( 2)  f ( 4)A( 2) ! 2

x

P(2

X

¨3 5¸ ©  ¹ ( 2) 8 8º 4) ! ª 2 !1

Peluang (X < 3.5)

P( X

¨ 3 4,5 ¸ ©  ¹(1,5) 8 8 º 3,5) ! ª 2 ! 0, 70

NILAI TENGAH PEUBAH ACAK
x P(X=x) x1 f(x1) x2 f(x2) « « xn f(xn)

‡ misalkan X adalah peubah acak diskret dengan sebaran peluang pada tabel di atas ‡ Maka nilai tengah atau nilai harapan bagi X n adalah
Q ! E( X ) !

§ xi
i !1

f ( xi )

Ragam Peubah Acak
Suatu populasi yang pengamatannya terdiri atas nilainilai peubah acak X, bila percobaan diulang terusmenerus takhingga kali, tidak hanya memiliki nilai tengah , tetapi juga ragam. Ragam populasi ini disebut ragam peubah acak X atau ragam sebenarnya

W

2

! E

? X  Q A !
2

i !1

§ xi

n 

Q f x
2

Fakta/data/praktek
Problem formulation

Design experiment

Testing

Conjecture/hypothesis/theory/model

Data
± Kwalitatif ± Kwantitatif

Metode analisis

‡ Pembedaan atas skala data ‡ Pembedaan atas kepastian perubahan
± Probabilistik ± Deterministik

‡ Pembedaan atas waktu kemunculan datanya
± Diskrit ± Kontinyu

‡ Tinjauan pengambilan keputusan
± Valid ± Reliable ± Konsisten

Valid vs Reliable vs Konsisten
reliable konsisten
Tidak valid

Data Kwalitatif
‡ Skala data
± Nominal ± Ordinal

‡ Berikan contoh data yang berskala seperti tersebut di atas!

Data Kwantitatif
‡ Skala data
± Interval ± Ratio

‡ Berikan contoh data yang berskala seperti tersebut di atas! ‡ Bagaimana dengan
± ± ± ± ± Suhu Ph Kadar gula Berat besi korelasi

Perbandingan kwalitatif dan kwantitatif
‡ Data mana yang mempunyai bayangan metode analisis lebih mudah?
kwantitatif

‡ Dapatkah data kwalitatif dikwantitatifkan? ‡ Metode apa yang biasa digunakan dalam menganalisis data:
± Kwantitatif? ± Kwalitatif?

‡ Bagaimana jika metode kwantitatif digunakan dalam kasus data kwalitatif?

Probabilistik vs deterministik

probabilistik

deterministik

‡ Kasus dunia nyata (environmental problem) lebih banyak akan bersifat probabilistik, multidimensi, dan kompleks

Agriculture Age Wealth definition

Industrial Age Food & Things Employees

Information Age

Bio

Food

Knowledge Partners

People work Slaves /serfs as People work Hierarchies in Production One-piece system Customization

Bureaucracies Mass Production Paradigm

Teamnets Mass customization Paradigm

Scarcity of resource

Abundance of information

1960

1970

1980

1990

2000

year

Culture
Education and self development

Training and experimentation

competence

Coaching and mentoring

Facilitation and on the job training

Learning Process

PRESENT

Problem Solving

EXTERNAL

INTERNAL

Importing Knowledge

Core Capabilities

Implementing and Integrating

Experimenting
FUTURE

Metode analisis data deskriptif
‡ Titik tengah
± Mean ± Median ± Modus ± Tream mean

Interval konfidensi

‡ Penyimpangan
± Variance ± Range

Skewness?

Interval (konvensional) vs HPD

Interval (Konvensional)

HPD (Highest Probability Distribution)

Interval Kepercayaan (1)

Interval kepercayaan (2)

HPD (Highest Probability Distribution)
Peta Kendali Batas (1-E) Batas Kendali Kendali x 100% Bawah Atas

95,0

71,3953

109,4810

97,5

64,4857

110,9149

99,0

55,3356

112,7754

Analytical Models
‡ Qualitative Approach (for qualitative data)
± Independence Analysis ± Proportion Analysis ± Analytical Hierarchical Process (AHP)

‡ Quantitative Approach (for quantitative data)
± ± ± ± ± Forecasting (Smoothing, AR, MA, ARIMA) Clustering Analysis Regression Analysis ANOVA MRP (Material Requirement Planning)

‡ Simulation

MIS Versus DSS
MIS 
Decision support provided

DSS
Provide information and decision support techniques to analyze specific problems or opportunities Interactive inquiries and responses Ad hoc, flexible, and adaptable format Information produced by analytical modeling of business data

Provide information about the performance of the organization 

Information form and Periodic, exception, frequency demand, and push reports and responses Prespecified, fixed  Information format format Information produced  Information processing by extraction and methodology manipulation of business data

Basic Challenges
Building in ormation systems that can actually fulfill management (decision maker) information requirements. ‡ Internal versus external data. ‡ tructured versus unstructured data. ‡ nticipated versus unanticipated information.

Challenges
Integrating DSS and ESS with existing systems: ‡ Consistency of data ‡ vailability of data ‡ Timeliness of data

Issues
‡ Models validity
± Uncertainty ± Time and space scales ± Establishing a coherent dialogue between models

‡ Design of a policy assessment process
± Define objectives and constraints ± Identify the possible controls ± Identify the system reaction to controls ± Identify the cost/benefits for control policies ± Find efficient solutions

IT practices

Information orientation : Business Performance

Information Management practices

Information behavior And values

A comprehensive of high level idea of how effective a company is in using information

Types of Decisions
Structured: Repetitive; definite procedure; have a high level of certainty; could even be called routine. Semi-structured: One or more factors are not structured; the more unstructured, the higher the risk. Unstructured: Unique; non-routine; has definite uncertainty; requires experience and judgment.

Unstructured
‡ d hoc ‡ Unscheduled ‡ Summarized ‡ Infrequent ‡ Forward looking ‡ External ‡ Wide Scope

Structured
‡ respecified ‡ Scheduled ‡ Detailed ‡ Frequent ‡ Historical ‡ Internal ‡ Narrow Focus

Ways to Solve Business Problems
Absolution: Ignore it and hope it will go away. Dissolution: Redesign to eliminate the problem. Ressolution: Do something that yields an outcome that is good enough emphasizing past experience. Solution: Involves research and relies heavily on experimentation, quantitative analysis and both common and uncommon sense.

Speed
To market To decision competitive, market position, market leadership consensus, commitment, responsive productivity

To task completion

How Are Decisions Made?
Depends on the significance of the decision.

Little Deal:
‡ Routine based on past experience (habit). ‡ Quick decision since consequences are minimal. ‡ Individual versus consensus decision.

Big Deal:
‡ Research and get as much data as possible. ‡ Evaluate as long as time permits. ‡ Consensus decision by key participants.

Solution Selection Criteria
1. Risk: including the odds. 2. Economy of effort: greatest results with least effort or needed change with least disturbance. 3. Timing: based on urgency which is difficult to systematize. 4. Limitation of Resources: relative to those that must carry out the decision. No decision is better than the people that must carry it out.

Konsep Variabel OBJEK
‡ Variabel: suatu peubah yang dibuat untuk dapat diisi dengan suatu nilai ‡ Nilai sebuah variabel merupakan identitas demensi pandang pada suatu objek ‡ Objek dapat diterangkan dengan jelas oleh suatu susunan variabel yang lebih banyak ‡ Atau semakin sedikit variabel dari obej yang diamati semakin tidak jealas objek yang dimaksudkan.

Univariate vs Multivariate
‡ Univariate merupakan istilah analisis data statistik yang hanya memandang permasalahan hanya dengan demensi terbatas, yaitu satu demensi. ‡ Multivariate mengandalkan cara pandang permasalahan statistik dengan multi demensi, dan setiap demensi diduga akan berkorelasi. (jika tiap dimensi tidak berkorelasi, maka akan hanya digolongkan sebagai permasalahan yang multivariabel saja). ‡ Jadi suatu permasalahan yang dipandang secara multivariabel belum tentu merupakan kasus multivariate, sedangkan kasus multivariate selalu mdipandang secara multivariabel.

Konsep Derajat bebas
‡ Derajat bebas (db) memberikan informasi tentang tingkat kebebasan suatu data akan dapat terambil secara random dari kelompoknya ‡ Semakin besar db maka akan semakin besar kepercayaan bahwa data yang dapat diambil adalah dapat mewakili populasinya ‡ Semakin besar db semakin besar tingkat kepercayaan dalam pengambilan keputusannya, karena keputusannya didasarkan pada prinsip STRONG LAW LARGE NUMBER THEOREM. ‡ Semakin besar db berarti semakin bervariasinya suatu sisi pandang demensi analisisnya.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->